Sep, 2023

融合 GAN 和纹理合成以增强道路损伤检测

PDF
TL;DR交通安全和道路维护领域中，准确检测道路损伤对确保安全驾驶和延长道路耐久性至关重要。本研究提出了一种创新的方法，利用生成对抗网络生成具有不同形状的损伤，并通过纹理合成技术提取道路纹理，通过控制合成损伤的严重程度，嵌入到原始图像中，从而实现了损伤严重程度的丰富性和与背景的更好对齐，同时提高了 mAP 和 F1-score。
traffic safetyroad maintenancedamage detectiongenerative adversarial networkstexture synthesis
发现论文，激发创造
  • 基于 GAN 的深度监督语义分割方法

    本研究提出了一种改进的语义分割模型，将对抗学习的优势与最先进的语义分割技术相结合，以捕捉交通图像中复杂而微妙的特征，通过在道路裂缝数据集上与现有方法（如 SEGAN）相比的显著性能提升来证明方法的有效性，提供了更精细和准确的道路结构和状况的表示，为道路裂纹的检测以及智能交通中的交通标志识别、车辆检测和车道分割等广泛应用做出了贡献。

    Oct, 2023

  • CrashCar101: 损害评估的程序化生成

    本文提出了使用合成数据进行汽车损伤评估的方法，通过训练计算机视觉系统进行图像的部件和损伤分割，并展示了合成数据在部件分割和损伤分割任务中的优势。

    Nov, 2023

  • 使用智能手机捕获的图像进行道路损伤检测的深度神经网络

    本研究通过使用卷积神经网络进行物体检测的最新方法，创建了一个可供公开使用的大型路面损伤数据集，该数据集包含了来自 7 个日本市的 9053 张路面损伤图片，针对这个数据集训练出有较高准确性的路面损伤检测模型，并成功将损伤分为八个类型。

    Jan, 2018

  • CycleGAN 用于结构健康监测和损伤检测中的未损坏到损坏域转换

    本研究开发了一种循环一致的 Wasserstein 深度卷积 GAN 模型来调查结构动态特征从未受损状态到受损状态的转变及其是否可用于预测性损伤检测，结果表明该模型能够准确地生成受损响应和未受损响应，从而实现在结构未受损的情况下理解受损状态的能力，这将有助于更为积极地监控生命周期表现并预测结构的剩余寿命。

    Feb, 2022

  • 空间生成对抗网络纹理合成

    本文介绍了一种基于生成对抗网络的新型纹理合成模型，即空间 GAN（SGAN），其通过将输入噪声分布空间从单一向量延展至整个空间张量，实现了高品质、高可扩展性和快速实时正向生成等特点，并能够将多个不同类别的源图像融合到复杂的纹理中。同时，本文还讨论了该方法的一些局限性，并将其与其他神经纹理生成技术进行了比较。

    Nov, 2016

  • 精确剪切粘贴：一种内容和角度感知的道路损伤检测数据增强方法

    我们提出了一种改进的 “剪切 - 粘贴” 增强技术，既考虑了图像中道路的真实位置，又考虑了注入损伤和目标图像之间的透视差异。

    Jun, 2024

  • 通过生成对抗网络实现高质量面部表面和纹理合成

    提出了一种基于 3D 可变形模型和生成对抗网络的面部综合模型，使用普适化方法将几何数据映射到二维平面，实现了对数字扫描的几何数据高效处理，在人类纹理参数空间中生成逼真的面部纹理和它们的对应几何图形，从而获得了新的高分辨率 3D 面孔。

    Aug, 2018

  • DeepRoad：基于 GAN 的形变自主驾驶系统测试

    本文提出了 DeepRoad，是一个无监督的框架，它可以通过使用生成对抗网络以及对应的现实天气场景，自动生成各种天气条件下的准确驾驶场景，用于测试 DNN 自动驾驶系统的一致性，并在三个认可的 DNN 自动驾驶系统上进行了实验，证明了 DeepRoad 可以检测出数千种行为不一致性。

    Feb, 2018

  • 利用生成对抗网络合成面部光度和相应的几何形状

    提出新的生成现实人脸几何结构和纹理重叠的方法，通过将几何纹理表示为图像并将其映射到单位矩形上，绕过了几何数据固有的参数化问题，使用先进的 GAN 方法生成新的几何结构，并提出将纹理和几何之间的关系匹配来保持高质量的真实感，证明了该方法的生成模型具有独立于训练数据的新身份的能力。

    Jan, 2019

  • 针对不平衡数据集的二进制语义分割的生成对抗网络的再探讨

    基于条件生成对抗网络的深度学习框架，用于道路图像中像素级异常区域检测，实现了在多变数据集上高效稳健的最先进结果。

    Feb, 2024